贾 薇,矫艳玲,杨 晨,王 叶,杜慧姣,李来有,刘风侠

    河北医科大学第四医院,河北050000

    癌症是严重危害人类健康的疾病。2020全球癌症统计报告显示,全球癌症病例数增加1 930万例,新发死亡病例数增加996万例[1]。由于疾病发展和治疗的影响,癌症病人经常出现多种并发症状,如疼痛、恶心、疲劳、睡眠障碍等,给病人造成躯体和心理上的痛苦,降低生活质量。Dodd等[2]于2001年首次提出“症状群”这一概念,将其定义为由3种或3种以上同时发生且相互关联的症状组成。Kim等[3]于2005年将此概念完善为由2个或多个相互关联且同时出现的症状组成。症状群的识别是进行症状管理的第一步。目前对症状群的识别包括两种方法,分别是以变量为中心的方法和以个体为中心的方法。以变量为中心的方法目的是解释总体中感兴趣的变量(症状)之间的关系[4],常用的方法包括聚类分析(cluster analysis,CA)、因子分析、主成分分析等[5-6]。以变量为中心的方法前提是所有研究对象均来自同一总体[7],但在实际研究中群体异质性普遍存在,此方法没有考虑人群中存在的异质性,尤其是不可见的异质性。2017年,美国国立卫生研究院症状群管理专家共识[8]提出,在未来症状群的研究中可以开发一种一致的方法来根据预先指定的症状群识别病人亚组,并对具有预先指定症状群的相同和不同经历的病人亚组进行重复研究,确定症状群的发展轨迹及其风险因素和预测因子等,为症状群管理提供依据。以“个体”为中心的方法是根据个体间共享反应模型将个体分到不同子群体的分析技术[9],其目的是识别选定变量(症状群)背后的潜在类别(亚组)[4]。基于横断面研究数据的相似模式,聚类分析(cluster analysis)、潜在剖面分析(latent profile analysis,LPA)和潜在类别分析(latent class analysis,LCA)将个体分为不同的潜在类别。基于纵向研究数据的相似模式,增长混合模型(growth mixture model,GMM)、潜类别增长模型(latent class growth model,LCGM)、基于组轨迹模型(group-based trajectory model,GBTM)将总体轨迹分为几个相似的潜在轨迹类型。以“个体”为中心的方法用于横断面研究数据可以识别某特定症状群的亚组,用于纵向数据分析中可以发现症状发展轨迹的异质性。本研究将对症状群研究中常用的以“个体”为中心的方法进行综述,以期帮助临床护理人员采用科学方法识别症状群亚组及轨迹,开发针对性的癌症症状群管理方案,减轻病人的症状负担 ......